Clustering en apprentissage automatique

Name: Clustering en apprentissage automatique
Author: Briana Brownell

Apprenez les bases de l'apprentissage automatique et de ses applications.

Preview the first lesson free — get full access to all 37 lessons.

Cours : à la demande

Intermédiaire Fournisseur : Briana Brownell 8 chapitres · 37 leçons · 2h 39m en Arabe, Allemand, Anglais, Espagnol, Français, Portugais, Ourdou, Chinese

Description du cours

Dans ce cours, vous apprendrez les bases d'une variété de domaines de l'apprentissage automatique, y compris le clustering, la détection des anomalies et la modélisation d'association. Vous comprendrez la méthode la plus courante de clustering, le k-means, et comment elle peut être appliquée aux données d'enquête afin de créer une segmentation robuste de la clientèle, y compris la création de personas, et un outil de typage. À la fin de ce cours, vous saurez comment réaliser un certain nombre de techniques de clustering et d'analyse.

Plus précisément, vous passerez en revue les méthodes de clustering les plus courantes, ainsi que leurs performances sur plusieurs ensembles de données d'exemple. Vous apprendrez à analyser les données à la recherche d'anomalies intentionnelles et non intentionnelles, comme la fraude et les erreurs de saisie, à détecter les données anormales et à voir comment les valider. Vous examinerez comment créer des règles d'association entre les achats et comment elles peuvent informer la stratégie d'un magasin de détail ou d'un site Web de commerce électronique. Les défis courants seront couverts afin que vous puissiez vous assurer que les modèles que vous créez sont valides et robustes. Enfin, vous aurez l'occasion d'examiner plusieurs études de cas afin de voir en détail le fonctionnement de ce que vous avez appris.

Ce que vous allez apprendre

Comprendre les différents algorithmes de clustering et leurs forces et faiblesses, y compris k-means, mini-batch k-means, agglomératif, spectral, DBSCAN et les modèles de mélange gaussien
Choisir le meilleur algorithme de clustering pour un problème spécifique et identifier où le clustering s'applique aux problèmes du monde réel
Appliquer k-means à des données d'enquête pour créer une segmentation client, des personas et un outil de typage
Détecter les anomalies intentionnelles et non intentionnelles telles que la fraude et les erreurs de saisie de données à l'aide de diverses méthodes et les valider
Créer des règles d'association en utilisant le support, la confiance et le lift pour comprendre le comportement d'achat
Analyser des études de cas de modèles de clustering et de détection d'anomalies qui ont été implémentés

Points clés à retenir

K-means est la méthode de clustering la plus courante et peut être appliquée à des données d'enquête pour créer une segmentation client, des personas et un outil de typage.
Le clustering couvre une gamme de techniques non supervisées et le choix du bon algorithme dépend du problème et du jeu de données spécifiques.
La détection d'anomalies permet de détecter à la fois les anomalies intentionnelles comme la fraude et non intentionnelles comme les erreurs de saisie de données, et les anomalies détectées doivent être validées.
Les règles d'association décrivent les relations entre les achats et peuvent informer la stratégie d'un magasin de détail ou d'un site web de commerce électronique.
La résolution des défis courants permet de s'assurer que les modèles de clustering et d'analyse créés sont valides et robustes.

Foire aux questions

Quels sujets ce cours couvre-t-il ?

Le cours couvre les bases de plusieurs domaines de l'apprentissage automatique, y compris le clustering, la détection d'anomalies et la modélisation d'association. Il passe en revue les méthodes de clustering courantes et leurs performances sur des exemples de jeux de données, la détection d'anomalies, la création de règles d'association et des études de cas de modèles implémentés.

Quels algorithmes de clustering vais-je apprendre ?

Vous passerez en revue les méthodes de clustering, y compris l'algorithme k-means, le mini-batch k-means, le clustering agglomératif, le clustering spectral, DBSCAN et les modèles de mélange gaussien, ainsi qu'une comparaison des algorithmes.

Quelles compétences vais-je acquérir grâce à ce cours ?

Vous acquerrez des compétences en analyse de cluster, science des données, clustering hiérarchique, clustering k-means, méthodes d'apprentissage automatique et clustering spectral.

Comment la méthode k-means est-elle appliquée dans ce cours ?

K-means est appliquée aux données d'enquête pour créer une segmentation client robuste, y compris la création de personas et d'un outil de typage, et le cours couvre également le choix des variables d'entrée, le choix du nombre de clusters, l'interprétation des centroïdes et les métriques de qualité de modèle.

Que pourrai-je faire avec les règles d'association ?

Vous apprendrez à créer des règles d'association entre les achats à l'aide du support, de la confiance et du lift, et vous verrez comment elles peuvent informer la stratégie d'un magasin de détail ou d'un site web de commerce électronique.